Nonlinearly Coupled Permafrost Dynamics From Graph Neural Networks

आर्कटिक महासागर के बर्फीले पानी के नीचे, तलछट की सैकड़ों मीटर गहरी परतों में छिपा हुआ, पृथ्वी के हालिया अतीत का एक विशाल, जमा हुआ अवशेष मौजूद है। यह सबसी (समुद्री) पर्माफ्रॉस्ट है, जो मिट्टी की एक ऐसी परत है जो कभी पिछले हिमयुगों के दौरान ठंडी हवा के संपर्क में रहने वाली सूखी भूमि थी, और फिर समुद्र का स्तर बढ़ने के साथ जलमग्न हो गई। आज, यह जमी हुई जमीन धीरे-धीरे पिघल रही है क्योंकि महासागर गर्म हो रहा है, एक ऐसी प्रक्रिया जिसमें मिट्टी के माध्यम से पानी का बहना, चट्टानों के माध्यम से ऊष्मा का संचार, नमक का घुलना और विस्थापन, तथा बर्फ का पिघलना और पुनर्गठन शामिल है। हजारों वर्षों में इस जमी हुई परत में होने वाले परिवर्तनों को समझना महत्वपूर्ण है क्योंकि इसका ढहना समुद्र तल को अस्थिर कर सकता है, पानी के नीचे के बुनियादी ढांचे के लिए खतरा पैदा कर सकता है, और फंसे हुए मीथेन गैस को महासागर में छोड़ सकता है। हालांकि, इन परिवर्तनों का अनुकरण (सिमुलेशन) करना वैज्ञानिकों के लिए एक बड़ी चुनौती रही है। इस प्रणाली को नियंत्रित करने वाले भौतिक नियम इतने जटिल हैं कि केवल एक स्थान के भविष्य की भविष्यवाणी करने के लिए एक एकल कंप्यूटर मॉडल चलाने में भी घंटों की गहन कंप्यूटिंग शक्ति लगती है, जिससे संभावनाओं की पूरी सीमा को समझने के लिए आवश्यक हजारों सिमुलेशन चलाना लगभग असंभव हो जाता है।

इस बाधा को दूर करने के लिए, टेक्सास विश्वविद्यालय de ऑस्टिन के शोधकर्ताओं ने एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस को विकसित किया है जो एक सेकंड के बहुत छोटे हिस्से में इस जमी हुई जमीन के व्यवहार की भविष्यवाणी कर सकता है। पारंपरिक कैलकुलेटर की तरह चरण-दर-चरण जटिल भौतिक समीकरणों को हल करने के बजाय, उन्होंने एक मशीन लर्निंग सिस्टम को प्रशिक्षित किया ताकि वह समय के साथ जमीन में होने वाले परिवर्तनों के पैटर्न को सीख सके। उन्होंने कंप्यूटर को आर्कटिक समुद्री तल के हजारों सिम्युलेटेड इतिहास दिए, जो 4,00,000 वर्षों के कालखंड को कवर करते थे, ताकि यह सीख सके कि दबाव, तापमान, नमक की सांद्रता और बर्फ की मात्रा एक साथ कैसे विकसित होती है। इसका परिणाम एक डिजिटल सरोगेट (प्रतिरूप) है, जो वास्तविक दुनिया का एक 'फास्ट-फॉरवर्ड' संस्करण है, जो उल्लेखनीय सटीकता के साथ पर्माफ्रॉस्ट की भविष्य की स्थिति की भविष्यवाणी कर सकता है। अपने परीक्षणों में, यह नया सिस्टम जमी हुई जमीन के विस्तृत व्यवहार को दोहराने में सक्षम रहा, जो धीमी और सावधानीपूर्वक की जाने वाली भौतिक सिमुलेशन के लगभग समान था, जबकि यह हजारों गुना तेजी से चला।

शोधकर्ताओं ने इस उपकरण को एक विशेष प्रकार के न्यूरल नेटवर्क का उपयोग करके बनाया है जिसे पड़ोसी बिंदुओं के बीच संबंधों को समझने के लिए डिज़ाइन किया गया है, ठीक वैसे ही जैसे गर्मी और पानी मिट्टी की एक परत से दूसरी परत में जाते हैं। उन्होंने अपने सिस्टम को 'PermaCycleGNS' नाम दिया। इसे प्रशिक्षित करने के लिए, उन्होंने 'PermaCycle' नामक एक उच्च-सटीक भौतिक सिम्युलेटर से डेटा का उपयोग किया, जो इन वातावरणों के मॉडलिंग के लिए वर्तमान स्वर्ण मानक है। भौतिक सिम्युलेटर को एक एकल परिदृश्य चलाने में घंटों लगते हैं क्योंकि इसे समय के हर सूक्ष्म चरण पर पानी, ऊष्मा और नमक की परस्पर क्रियाओं की गणना करनी पड़ती है। इसके विपरीत, नया AI मॉडल भौतिक सिम्युलेटर के डेटा से इन अंतःक्रियाओं के "नियमों" को सीखता है और फिर उन्हें तुरंत लागू करता है। टीम ने AI का परीक्षण दो अलग-अलग प्रकार की चुनौतियों पर किया। पहले, उन्होंने इसे उन परिदृश्यों की भविष्यवाणी करने के लिए कहा जो प्रशिक्षण के दौरान देखे गए उदाहरणों के समान थे, जो मूल रूप से यह जांचने के लिए था कि क्या यह ज्ञात उदाहरणों के बीच अंतर कर सकता है। दूसरे, उन्होंने इसे चरम सीमाओं तक धकेला, और इसे उन स्थितियों के किनारों पर भविष्यवाणी करने के लिए कहा जो संभव स्थितियों के बिल्कुल छोर पर थीं, जहाँ पैरामीटर उसके द्वारा देखे गए किसी भी चीज़ से भिन्न थे।

परिणामों ने दिखाया कि AI केवल एक तेज़ कैलकुलेटर नहीं है बल्कि एक मजबूत भविष्यवक्ता भी है। मानक परीक्षण मामलों पर, दबाव, तापमान और नमक के स्तर के लिए AI की भविष्यवाणियाँ भौतिक सिम्युलेटर के परिणामों के अविश्वसनीय रूप से करीब थीं, जिनमें त्रुटियां इतनी कम थीं कि उन्हें मापना भी मुश्किल था। मिट्टी में बर्फ की मात्रा की भविष्यवाणी करना सबसे कठिन हिस्सा था, क्योंकि बर्फ चिकने बदलावों के बजाय अचानक और तीव्र झटकों में बनती और पिघलती है। यहाँ भी, AI ने अच्छा प्रदर्शन किया, और बर्फ जमने तथा पिघलने की घटनाओं के समय और गहराई को सटीक रूप से पकड़ा। जब शोधकर्ताओं ने मॉडल का परीक्षण अत्यधिक, अनदेखे परिदृश्यों पर किया, तो यह सटीक बना रहा, जिससे सिद्ध हुआ कि इसने केवल प्रशिक्षण डेटा को याद नहीं किया है बल्कि अंतर्निहित भौतिकी को वास्तव में सीखा है। इन कठिन, चरम मामलों के लिए त्रुटि दर मानक मामलों की तुलना में केवल थोड़ी अधिक थी, जो प्रमाणित करता है कि मॉडल आर्कटिक द्वारा प्रस्तुत की जाने वाली स्थितियों की पूरी श्रृंखला को संभाल सकता है।

इस सफलता की कुंजी एक विशिष्ट प्रशिक्षण तकनीक थी जिसका उपयोग शोधकर्ताओं ने AI को अपनी गलतियों को संभालने का तरीका सिखाने के लिए किया। सामान्यतः, जब कोई कंप्यूटर घटनाओं के क्रम की भविष्यवाणी करता है, तो शुरुआत में होने वाली एक छोटी सी त्रुटि समय के साथ बढ़ती जाती है, जिससे अंततः भविष्यवाणी खराब हो जाती है। शोधकर्ताओं ने AI को एक साथ कई चरणों को आगे देखने के लिए प्रशिक्षित किया, जिससे उसे अपनी बढ़ती हुई त्रुटियों को ठीक करने के लिए मजबूर किया गया। इस पद्धति को 'करिकुलम' (पाठ्यचर्या) कहा जाता है, जिसने बर्फ की संतृप्ति (saturation) के तीव्र परिवर्तनों को ट्रैक करने की मॉडल की क्षमता में काफी सुधार किया। इस तकनीक के बिना, बर्फ पर मॉडल की सटीकता बहुत कम होती। इसके साथ, AI 4,00,000 वर्षों की पूरी समयरेखा के लिए जमी हुई जमीन की स्पष्ट तस्वीर बनाए रखने में सक्षम था, जो भौतिक सिम्युलेटर के आउटपुट से एक हजारवें हिस्से से भी कम की त्रुटि के साथ मेल खाता था।

पुराने तरीके और नए तरीके के बीच गति का अंतर चौंकाने वाला है। जबकि पारंपरिक भौतिक सिम्युलेटर को एक मानक कंप्यूटर प्रोसेसर पर एक एकल सिमुलेशन चलाने में लगभग पांच घंटे लगते हैं, नया AI मॉडल उसी 4,00,000 साल की भविष्यवाणी को एक शक्तिशाली ग्राफिक्स कार्ड पर कुछ ही सेकंड में पूरा कर सकता है। यदि शोधकर्ता एक साथ कई सिमुलेशन चलाते हैं, तो वे गति और भी नाटकीय हो जाती है, जो पारंपरिक विधि की तुलना में लगभग 2,00,000 गुना तेज पहुंच जाती है। गति का यह उछाल वैज्ञानिकों के लिए जो संभव है उसे बदल देता है। केवल कुछ सिमुलेशन चलाकर यह अनुमान लगाने के बजाय कि क्या हो सकता है, वे अब जलवायु, मिट्टी और महासागरीय स्थितियों के हर संभावित बदलाव को खोजने के लिए हजारों या लाखों सिमुलेशन चला सकते हैं। यह उन्हें विस्तृत संवेदनशीलता अध्ययन करने की अनुमति देता है, जिससे यह समझना आसान हो जाता है कि कौन से कारक सबसे अधिक महत्वपूर्ण हैं, और वे अपने भविष्यवाणियों में अनिश्चितता को उस स्तर के विवरण के साथ माप सकते हैं जो पहले असंभव था।

शोधकर्ता स्वीकार करते हैं कि उनका वर्तमान मॉडल समुद्र तल के एक-आयामी (one-dimensional) स्लाइस तक सीमित है, जो मिट्टी के एक एकल ऊर्ध्वाधर स्तंभ का प्रतिनिधित्व करता है। वास्तविक दुनिया के समुद्र तल जटिल, त्रि-आयामी (three-dimensional) परिदृश्य होते हैं, और अगला कदम इस तकनीक को उन बड़े क्षेत्रों को कवर करने के लिए विस्तारित करना होगा। वे यह भी नोट करते हैं कि उनका मॉडल वर्तमान में यह मानकर चलता है कि जमीन में मुक्त गैस नहीं है, एक ऐसी स्थिति जिसे भविष्य के संस्करणों में वास्तविक दुनिया के सभी परिदृश्यों से मेल खाने के लिए जोड़ा जा सकता है। इन सीमाओं के बावजूद, यह कार्य प्रदर्शित करता है कि इस मॉडल के लिए उपयोग किया गया आर्किटेक्चर अन्य जटिल पृथ्वी प्रणालियों को समझने के लिए लचीला है जो समान भौतिक नियमों द्वारा संचालित होती हैं। धीमे, महंगे भौतिक सिमुलेशन को तेज़, सटीक मशीन लर्निंग एम्युलेटर्स से बदलने की क्षमता पृथ्वी विज्ञान के एक नए युग का द्वार खोलती है, जहाँ शोधकर्ता कंप्यूटिंग शक्ति की सीमाओं से बंधे बिना हमारे ग्रह के अतीत और भविष्य के बारे में गहरे प्रश्न पूछ सकते हैं। आर्कटिक के नीचे की जमी हुई जमीन अब केवल एक रहस्य नहीं है जिसे धीरे-धीरे सुलझाया जाए; यह एक ऐसी प्रणाली है जिसे अब वास्तविक समय में खोजा जा सकता है, जो आने वाले परिवर्तनों का एक स्पष्ट दृश्य प्रदान करती है।